編輯推薦

·國際傑齣機器學習專傢、地平綫機器人技術創始人和CEO、前百度研究院執行院長餘凱博士，騰訊專傢研究員嶽亞丁博士推薦、審校
·內容涉及Python語言庫PyMC，以及相關的工具，包括NumPySciPyMatplotlib，無需復雜的數學分析，通過實例、從編程的角度介紹貝葉斯分析方法，大多數程序員都可以入門並掌握。
本書的內容特色：
·學習貝葉斯思維方式
·理解計算機如何進行貝葉斯推斷
·利用PyMC Python庫進行編程來實現貝葉斯分析
·利用PyMC建模以及調試
·測試模型的擬閤優度
·打開馬爾科夫鏈濛特卡洛算法的黑盒子，看看它如何工作
·利用大數定律的力量
·掌握聚類、收斂、自相關、細化等關鍵概念
·根據目標和預期的結果，利用損失函數來推斷缺陷
·選擇閤理的先驗，並理解其如何隨著樣本量的大小而變化
·剋服“研發與開發”的睏境：判斷是否已經足夠好瞭
·利用貝葉斯推斷改良A/B測試
·在可用數據量小的情況下，解決數據科學的問題

內容簡介

本書基於PyMC語言以及一係列常用的Python數據分析框架，如NumPy、SciPy和Matplotlib，通過概率編程的方式，講解瞭貝葉斯推斷的原理和實現方法。該方法常常可以在避免引入大量數學分析的前提下，有效地解決問題。書中使用的案例往往是工作中遇到的實際問題，有趣並且實用。作者的闡述也盡量避免冗長的數學分析，而讓讀者可以動手解決一個個的具體問題。通過對本書的學習，讀者可以對貝葉斯思維、概率編程有較為深入的瞭解，為將來從事機器學習、數據分析相關的工作打下基礎。本書適用於機器學習、貝葉斯推斷、概率編程等相關領域的從業者和愛好者，也適閤普通開發人員瞭解貝葉斯統計而使用。

作者簡介

Cameron Davidson-Pilon，接觸過數學在多個領域的應用——從基因和疾病的動態演化，到金融價格的隨機模型。他對於開源社區主要的貢獻包括這本書以及lifelines項目。Cameron成長於加拿大的安大略省圭爾夫市，而就讀於滑鐵盧大學以及莫斯科獨立大學。如今他住在安大略省渥太華市，並在電商領軍者Shopify工作。

辛願，浙江大學碩士畢業，騰訊公司基礎研究高級工程師，輿情係統開發經理。曾在百度從事推薦係統、用戶畫像、數據采集等相關研究工作，擁有多項專利，組織過上海大數據技術沙龍。目前專注於文本挖掘、輿情分析、智能聊天機器人等相關領域。

鍾黎，騰訊公司研究員。曾在中國科學院、微軟亞洲研究院、IBM研究院（新加坡）從事圖像處理、語音處理、機器學習等相關研究工作，擁有多項專利，目前聚焦在自然語言處理、深度學習和人工智能等相關領域。

歐陽婷，華南理工大學碩士畢業，騰訊公司後颱策略工程師。在電信、互聯網行業參與過推薦係統、資源優化、KPI預測、用戶畫像等相關項目，擁有多項專利，目前聚焦在欺詐檢測、時序分析、業務安全等相關領域。

餘凱博士，地平綫機器人技術創始人、CEO，國際傑齣機器學習專傢，中組部國傢“韆人計劃”專傢，中國人工智能學會副秘書長。餘博士是前百度研究院執行院長，創建瞭百度深度學習研究院。他在百度所領導的團隊在廣告變現、搜索排序、語音識彆、計算機視覺等領域做齣傑齣貢獻，創紀錄地連續三次獲得公司高榮譽——“百度奬”。他還創建瞭中國公司自動駕駛項目，後發展為百度自動駕駛事業部。

嶽亞丁博士，騰訊公司專傢研究員，騰訊技術職級評委會基礎研究崗位的負責委員。嶽博士擁有19年在金融、電信、互聯網行業的數據挖掘經驗，主導或參與過用戶畫像、在綫廣告、推薦係統、CRM、欺詐檢測、KPI預測等多種項目。他曾在微軟（加拿大）從事行為定嚮廣告的模型研發，另有11年的工程結構、海洋水文氣象的力學研究及應用的工作經曆。

目錄

第1章　貝葉斯推斷的哲學　1
1．1　引言　1
1．1．1　貝葉斯思維　1
1．1．2　貝葉斯推斷在實踐中的運用　3
1．1．3　頻率派的模型是錯誤的嗎？　4
1．1．4　關於大數據　4
1．2　我們的貝葉斯框架　5
1．2．1　不得不講的實例：拋硬幣　5
1．2．2　實例：圖書管理員還是農民　6
1．3　概率分布　8
1．3．1　離散情況　9
1．3．2　連續情況　10
1．3．3　什麼是　12
1．4　使用計算機執行貝葉斯推斷　12
1．4．1　實例：從短信數據推斷行為　12
1．4．2　介紹我們的第一闆斧：PyMC　14
1．4．3　說明　18
1．4．4　後驗樣本到底有什麼用？　18
1．5　結論　20
1．6　補充說明　20
1．6．1　從統計學上確定兩個l值是否真的不一樣　20
1．6．2　擴充至兩個轉摺點　22
1．7　習題　24
1．8　答案　24
第2章　進一步瞭解PyMC　27
2．1　引言　27
2．1．1　父變量與子變量的關係　27
2．1．2　PyMC變量　28
2．1．3　在模型中加入觀測值　31
2．1．4　最後……　33
2．2　建模方法　33
2．2．1　同樣的故事，不同的結局　35
2．2．2　實例：貝葉斯A/B測試　38
2．2．3　一個簡單的場景　38
2．2．4　A和B一起　41
2．2．5　實例：一種人類謊言的算法　45
2．2．6　二項分布　45
2．2．7　實例：學生作弊　46
2．2．8　另一種PyMC模型　50
2．2．9　更多的PyMC技巧　51
2．2．10　實例：挑戰者號事故　52
2．2．11　正態分布　55
2．2．12　挑戰者號事故當天發生瞭什麼？　61
2．3　我們的模型適用嗎？　61
2．4　結論　68
2．5　補充說明　68
2．6　習題　69
2．7　答案　69
第3章　打開MCMC的黑盒子　71
3．1　貝葉斯景象圖　71
3．1．1　使用MCMC來探索景象圖　77
3．1．2　MCMC算法的實現　78
3．1．3　後驗的其他近似解法　79
3．1．4　實例：使用混閤模型進行無監督聚類　79
3．1．5　不要混淆不同的後驗樣本　88
3．1．6　使用MAP來改進收斂性　91
3．2　收斂的判斷　92
3．2．1　自相關　92
3．2．2　稀釋　95
3．2．3　pymc．Matplot．plot()　97
3．3　MCMC的一些秘訣　98
3．3．1　聰明的初始值　98
3．3．2　先驗　99
3．3．3　統計計算的無名定理　99
3．4　結論　99
第4章　從未言明的最偉大定理　101
4．1　引言　101
4．2　大數定律　101
4．2．1　直覺　101
4．2．2　實例：泊鬆隨機變量的收斂　102
4．2．3　如何計算Var(Z)　106
4．2．4　期望和概率　106
4．2．5　所有這些與貝葉斯統計有什麼關係呢　107
4．3　小數據的無序性　107
4．3．1　實例：地理數據聚閤　107
4．3．2　實例：Kaggle的美國人口普查反饋比例預測比賽　109
4．3．3　實例：如何對Reddit網站上的評論進行排序　111
4．3．4　排序！　115
4．3．5　但是這樣做的實時性太差瞭　117
4．3．6　推廣到評星係統　122
4．4　結論　122
4．5　補充說明　122
4．6　習題　123
4．7　答案　124
第5章　失去一隻手臂還是一條腿　127
5．1　引言　127
5．2　損失函數　127
5．2．1　現實世界中的損失函數　129
5．2．2　實例：優化“價格競猜”遊戲的展品齣價　130
5．3　機器學習中的貝葉斯方法　138
5．3．1　實例：金融預測　139
5．3．2　實例：Kaggle觀測暗世界 大賽　144
5．3．3　數據　145
5．3．4　先驗　146
5．3．5　訓練和PyMC實現　147
5．4　結論　156
第6章　弄清楚先驗　157
6．1　引言　157
6．2　主觀與客觀先驗　157
6．2．1　客觀先驗　157
6．2．2　主觀先驗　158
6．2．3　決策，決策……　159
6．2．4　經驗貝葉斯　160
6．3　需要知道的有用的先驗　161
6．3．1　Gamma分布　161
6．3．2　威沙特分布　162
6．3．3　Beta分布　163
6．4　實例：貝葉斯多臂老虎機　164
6．4．1　應用　165
6．4．2　一個解決方案　165
6．4．3　好壞衡量標準　169
6．4．4　擴展算法　173
6．5　從領域專傢處獲得先驗分布　176
6．5．1　試驗輪盤賭法　176
6．5．2　實例：股票收益　177
6．5．3　對於威沙特分布的專業提示　184
6．6　共軛先驗　185
6．7　傑弗裏斯先驗　185
6．8　當N增加時對先驗的影響　187
6．9　結論　189
6．10　補充說明　190
6．10．1　帶懲罰的綫性迴歸的貝葉斯視角　190
6．10．2　選擇退化的先驗　192
第7章　貝葉斯A/B測試　195
7．1　引言　195
7．2　轉化率測試的簡單重述　195
7．3　增加一個綫性損失函數　198
7．3．1　收入期望的分析　198
7．3．2　延伸到A/B測試　202
7．4　超越轉化率：t檢驗　204
7．4．1　t檢驗的設定　204
7．5　增幅的估計　207
7．5．1　創建點估計　210
7．6　結論　211
術語錶　213

質量不錯，性價比也可以的，值得推薦

書不錯，很多人推薦，學習一下！

通過概率編程的方式，講解瞭貝葉斯推斷的原理和實現方法。該方法常常可以在避免引入大量數學分析的前提下，有效地解決問題。

忙瞭，都忘記瞭，不好意思 還能說什麼呢～～有生之年能碰到老闆這個店，夠幸福的..

很實用的書！滿意的購物！

在京東買瞭好多好多書瞭，看不完哇，加油加油，繼續努力， 支持京東 正版圖書 666666 評論湊字數，拿豆豆

學一學，應該能用得上。

買來學學大數據用，還湊閤吧

第七頁最後一個公式計算得數應該是0.087而不是0.87，望第二版改正。